开篇：账面有、实物无，是怎么发生的？
一家 3C 电商仓，5 万个库位，每年两次大盘点，每次 40 个人干 3 天，结果库存准确率还是卡在 96.5% 上不去。剩下的 3.5% 差异，意味着每天都有订单因为「系统说有货、现场找不到」被迫取消。人工盘点的天花板很明显：人会累、会看错、看不见高层货架。视觉 AI 要解决的，就是让「看」这件事自动化、标准化。
核心方法：四个要点
1. 库位核查：让相机替人走巷道
方案是 AGV 或无人机挂载相机巡检：OCR 识别库位码和货物标签，与 WMS 账面逐条比对。某仓实测，5 万库位巡检一遍 4 小时，差异检出率 99% 以上——人工 3 天还做不到这个检出率。
关键参数：相机分辨率至少能看清 3 米外的条码；巡检速度控制在 1.5 米/秒以内，再快 OCR 识别率会掉下 95%。
2. 异常检测：五类高频场景先落地
| 异常场景 | 相机位置 | 实测检出率 | |---|---|---| | 空库位有货 / 有货库位为空 | 巷道巡检 | 99%+ | | 库位码遮挡 / 破损 | 巷道巡检 | 97% | | 货物破损、包装变形 | 收货口固定机位 | 95% | | 托盘倾斜、码放超高 | 出库口固定机位 | 96% | | 消防通道占用 | 通道固定机位 | 98% |
先做这五类，覆盖了仓库 80% 的日常异常。别一上来就想识别「放错 SKU」这种细粒度问题——跨 SKU 的视觉区分需要大量样本，ROI 排在后面。
3. 落地三步走：从固定机位到全自动
第一步，固定机位试点：收货口、贵重品区先装，2 周验证检出率；第二步，移动巡检：AGV/无人机跑起来，覆盖全仓；第三步，接 WMS 自动生成盘点任务——发现差异直接派任务给理货员，闭环才算完成。
每一步都要有明确的验收指标再往下走。见过太多项目第一步还没跑稳就全仓铺相机，最后检出率不达标，设备闲置吃灰。
4. 数据是地基：每类异常至少 500 张标注样本
模型效果 = 数据质量。实战经验：每类异常至少 500 张标注样本；训练集必须覆盖早晚班的光照变化——这是最大的坑，白天调好的模型，晚上灯光一变识别率掉 10 个点。标签反光是另一个常见坑，换偏振镜或调整拍摄角度就能解决大半。
实战案例：库存准确率 96.5% → 99.2%
某 3C 仓，视觉盘点上线一年：库存准确率从 96.5% 提升到 99.2%，年度盘点人力从 40 人天降到 6 人天，「有货找不到」导致的订单取消下降 70%。项目总投入约 90 万（含 40 个固定机位+2 台巡检 AGV），一年回本。
避坑提醒
- 别一上来全仓铺相机。 先试点、先验收，检出率不达标就调数据和模型，别用规模掩盖问题。
- 隐私合规先行。 相机会拍到人脸，方案里必须有人脸模糊处理，员工告知和制度要先到位。
- 异常要进 WMS 闭环。 只报警不派任务，等于没做。检出结果必须自动生成盘点/理货任务，责任到人。
成本结构：钱花在哪
一个 5 万库位仓的视觉方案，投入大概拆成四块：
| 成本项 | 占比 | 说明 | |---|---|---| | 硬件（相机、AGV/无人机、服务器） | 50% | 相机选工业级，别省 | | 软件（算法授权/开发） | 20% | 按点位或按年授权 | | 实施（安装、调试、标注） | 20% | 标注样本是人力大头 | | 年运维 | 10%/年 | 模型迭代、设备维保 |
省钱技巧：巡检 AGV 可以租，试点期别买；先用公开数据集预训练、再用自家数据微调，样本量需求减半；固定机位优先覆盖贵重品区和高差错区——ROI 最高的 20% 点位先装。
记住：硬件是一次性投入，数据和运营是持续投入。预算只够买设备、不够做运营的项目，趁早别启动。
从试点到全仓：三阶段验收标准
每一步设硬指标，达标再往下走：
- 试点验收（第 1 个月）： 固定机位 10 个点位，五类异常检出率全部 ≥93%，误报率 <5%。不达标就调数据、调模型，不许扩点位。
- 扩展验收（第 2~3 个月）： 巡检 AGV 跑起来，覆盖 50% 库位，差异检出率 ≥98%，单次全仓巡检 ≤8 小时。
- 全仓验收（第 4~6 个月）： 检出结果自动进 WMS 生成盘点任务，闭环率（检出→处理）≥95%，库存准确率 ≥99%。
每个阶段的验收报告业务和 IT 双签。最常见的死法是跳过试点验收直接扩点位——检出率不够，点位越多，误报淹没真问题的速度越快。
自研还是采购：怎么选
| 维度 | 采购成熟方案 | 自研 | |---|---|---| | 上线速度 | 2~3 个月 | 6~12 个月 | | 初始投入 | 高（license） | 低（人力） | | 定制化 | 弱，按产品走 | 强，完全贴合 | | 长期成本 | 年服务费 | 养算法团队 |
建议：第一次做视觉项目，采购。有了体感、知道坑在哪之后，核心场景再考虑自研。自研最大的成本不是工资，是试错时间——采购方案是花钱买别人的试错经验。
另外注意：采购时要看供应商的仓库行业案例数，少于 5 个的要谨慎。通用视觉公司转行做仓库，第一个项目基本都是交学费——别拿你的仓当学费。
最后提醒一句：视觉 AI 最大的价值不是替代盘点的人，而是让差异「当天发现、当天处理」。盘点从半年一次的运动战，变成每天 4 小时的日常巡检——这才是库存准确率站上 99% 的真正原因。
总结
视觉 AI 在仓库的最佳切入点是库位核查与五类高频异常：固定机位试点起步，数据覆盖光照变化，检出结果直连 WMS 派任务。库存准确率做到 99% 以上，盘点就从「运动战」变成了「日常巡检」。
